• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Контакты

Адрес: 125319, г. Москва, 
Кочновский проезд, д. 3 (станция метро "Аэропорт").

Телефон: +7 (495) 772-95-90 *12332

Email: computerscience@hse.ru

 

Руководство

Декан Аржанцев Иван Владимирович

Первый заместитель декана Вознесенская Тамара Васильевна

Заместитель декана по научной работе и международному сотрудничеству Объедков Сергей Александрович

Заместитель декана по учебно-методической работе Самоненко Илья Юрьевич

Заместитель декана по развитию и административно-финансовой работе Плисецкая Ирина Александровна

Мероприятия
12 июня – 14 июня
submission: 1 May 2019 
17 июня – 22 июня
Ранняя регистрация: до 15 апреля Закрытие регистрации: 15 мая 
1 июля – 10 июля
Прием заявок — до 21 апреля 
26 августа – 6 сентября
Регистрация – до 12 мая 
26 августа – 30 августа
Registration and Poster Submission deadline — May 1, 2019 
Образовательные программы
Бакалаврская программа

Прикладная математика и информатика

4 года
Очная форма обучения
110/80/15
110 бюджетных мест
80 платных мест
15 платных мест для иностранцев
RUS
Обучение ведётся на русском языке
Бакалаврская программа

Программа двух дипломов НИУ ВШЭ и Лондонского университета "Прикладной анализ данных"

4 года
Очная форма обучения
70/12
70 платных мест
12 платных мест для иностранцев
ENG
Обучение ведётся на английском языке
Бакалаврская программа

Программная инженерия

4 года
Очная форма обучения
80/70/15
80 бюджетных мест
70 платных мест
15 платных мест для иностранцев
RUS
Обучение ведётся на русском языке
Магистерская программа

Анализ данных в биологии и медицине

2 года
Очная форма обучения
15/5/2
15 бюджетных мест
5 платных мест
2 платных места для иностранцев
RUS/ENG
Обучение ведётся на русском и английском языках
Магистерская программа

Науки о данных

2 года
Очная форма обучения
55/15/6
55 бюджетных мест
15 платных мест
6 платных мест для иностранцев
RUS/ENG
Обучение ведётся на русском и английском языках
Магистерская программа

Системная и программная инженерия

2 года
Очная форма обучения
25/5/8
25 бюджетных мест
5 платных мест
8 платных мест для иностранцев
ENG
Обучение ведётся на английском языке
Магистерская программа

Системное программирование

2 года
Очная форма обучения
15/5/2
15 бюджетных мест
5 платных мест
2 платных места для иностранцев
RUS/ENG
Обучение ведётся на русском и английском языках
Магистерская программа

Статистическая теория обучения

2 года
Очная форма обучения
20/5/4
20 бюджетных мест
5 платных мест
4 платных места для иностранцев
ENG
Обучение ведётся на английском языке
Магистерская программа

Финансовые технологии и анализ данных

2 года
Очная форма обучения
35/3
35 платных мест
3 платных места для иностранцев
RUS/ENG
Обучение ведётся на русском и английском языках
Статья
Branching rules related to spherical actions on flag varieties
В печати

Roman Avdeev, Petukhov A.

Algebras and Representation Theory. 2019.

Статья
Minimax theorems for American options without time-consistency

Belomestny D., Kraetschmer V., Hübner T. et al.

Finance and Stochastics. 2019. Vol. 23. P. 209-238.

Статья
Separable discrete functions: Recognition and sufficient conditions

Boros E., Cepek O., Gurvich V.

Discrete Mathematics. 2019. Vol. 342. No. 5. P. 1275-1292.

Статья
Cherenkov detectors fast simulation using neural networks

Kazeev N., Derkach D., Ratnikov F. et al.

Nuclear Instruments and Methods in Physics Research, Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. 2019.

Глава в книге
Averaging Weights Leads to Wider Optima and Better Generalization

Izmailov P., Garipov T., Подоприхин Д. А. et al.

In bk.: Proceedings of the international conference on Uncertainty in Artificial Intelligence (UAI 2018). 2018. P. 876-885.

Обучение с подкреплением

Преподаватель

Борисяк Максим Александрович

Научно-учебная лаборатория методов анализа больших данных: Стажер-исследователь

 

Расписание

по понедельникам с 18.10 до 21.00
с 21.01 по 18.03 — ауд. 622 
с 01.04 по 10.06 — ауд. 622

Программа факультатива

Обучение с подкреплением — наука об управлении злобным агентом в выдуманном мире (с)

Если приглядеться к нашей с вами жизни, можно заметить, что мы (люди) обычно занимаемся отнюдь не разметкой примеров и отображением X->y, минимизирующим эмпирический риск: мы существуем в мире, на который мы можем влиять, и который в свою очередь влияет на нас. А хотим мы в этом мире добиваться каких-то результатов: дойти до “из точки Aточки B”, заработать побольше денег, привлечь и удержать пользователя - кому что ближе. 

Задачи эти объединяет то, что в них вам придётся двигаться методом проб, ошибок, шишек и новых проб - у вас просто нет всеобъемлющей выборки, в которой есть правильная стратегия поведения во всех ситуациях. А ещё эти задачи объединяет то, что их можно решать автоматически. Да-да, творческий поиск решения задачи, выбор дизайна страницы или повышение “скилла” в любимой игрушке - машины это уже умеют.

Курс очень хочет дать своим слушателям понимание и практические навыки использования таких “машин”, именуемых “Алгоритмами обучения с подкреплением” или “Reinforcementlearning”. В меню - теоретическая база, практические задания, инженерные “хаки” и неординарные предметные области. Даже биржевую торговлю завезли. 

А ещё этот курс немного связан с методами глубокого обучения - их тут около трети. Так уж вышло, что многие задачи ReinforcementLearningсейчас лучше всего решаются с применением пресловутых “нейронок”. Если Вы их не знаете - не бойтесь, научим.

Пререквизиты:

Машинное обучение 1, Теория вероятностей

Полезно, но не обязательно — машинное обучение 2 и байесовские методы

Отчётность:

Модель отчётности: оценки ставятся по баллам, которые выдаются за выполнение форм контроля.

Основной источник баллов – домашние задания. Они выдаются после семинаров, делаются, отправляются, проверяются и зарабатывают баллы. 

Второй источник баллов — проекты. Их можно делать, а можно не делать, зато делать больше домашек. Проекты — решение любой нетривиальной задачи RL, воспроизведение статьи или что-то близкое по духу. Правила для проектов аналогичны нашему курсу deeplearning — https://github.com/yandexdataschool/HSE_deeplearning/wiki/Course-projects